Dans le domaine de la recherche expérimentale et des sciences psychologiques, l’investigation des phénomènes comportementaux et cognitifs requiert des dispositifs méthodologiques capables de saisir la complexité multifactorielle du vivant. Le plan factoriel complet représente l’un des piliers méthodologiques les plus puissants pour évaluer simultanément les influences directes et combinées de plusieurs variables indépendantes sur une ou plusieurs variables dépendantes.
Plan factoriel complet
1. Définition concise
Un plan factoriel complet (en anglais, complete factorial design ou full factorial design) est un protocole expérimental quantitatif dans lequel les chercheurs manipulent au moins deux variables indépendantes (appelées facteurs), chaque niveau ou modalité de chaque facteur étant combiné avec l’ensemble des modalités de tous les autres facteurs. Ce croisement exhaustif génère un ensemble de conditions expérimentales distinctes correspondant au produit cartésien des modalités factorielles, garantissant qu’aucun sous-ensemble de combinaisons n’est omis.
Dans le cadre de la psychologie scientifique, ce dispositif méthodologique permet non seulement d’isoler l’effet moyen individuel de chaque variable indépendante sur la variable dépendante — désigné sous le terme d’effet principal —, mais également de quantifier et de modéliser les effets d’interaction. L’interaction traduit le phénomène fondamental selon lequel l’impact d’une variable indépendante sur le comportement ou le processus cognitif mesuré varie systématiquement en fonction du niveau d’une ou de plusieurs autres variables indépendantes, révélant ainsi des dynamiques non additives que les plans expérimentaux à facteur unique sont intrinsèquement incapables de détecter.
Ce type d’architecture expérimentale s’applique aussi bien aux plans inter-sujets (mesures indépendantes), intra-sujets (mesures répétées) qu’aux plans mixtes. En garantissant l’orthogonalité des variables dans des conditions d’échantillonnage équilibrées, le plan factoriel complet constitue la structure de référence pour le test d’hypothèses causales raffinées, offrant une validité interne robuste et une granularité explicative inégalée dans l’analyse statistique inférentielle.
2. Étymologie et origine linguistique
L’expression française « plan factoriel complet » procède de la convergence de vocables issus du latin classique et médiéval, adaptés ultérieurement aux exigences de la formalisation mathématique et méthodologique. Le substantif « plan » dérive du latin planum, qui désigne une surface plane ou un niveau, ayant évolué au fil des siècles pour qualifier une disposition ordonnée, un schéma d’action préétabli ou une représentation graphique régulée de procédures scientifiques.
Le qualificatif « factoriel » trouve son origine dans le latin factor, dérivé du verbe facere (« faire », « fabriquer », « être l’auteur de »). Dans la nomenclature statistique et algébrique développée au cours des XVIIIe et XIXe siècles, le facteur renvoie à l’élément constitutif concourant à la production d’un résultat ou d’un produit mathématique. L’adjectif « complet » provient quant à lui du latin completus, participe passé de complere (« remplir entièrement », « achever »), soulignant la saturation intégrale de l’espace expérimental.
L’expression anglaise originale, factorial design, a été introduite et formalisée au début du XXe siècle par le statisticien et généticien britannique Ronald Aylmer Fisher dans le cadre de ses travaux fondateurs sur l’agronomie expérimentale à la station de Rothamsted. La traduction et l’acclimatation du concept dans les pays francophones se sont consolidées au cours des années 1950 et 1960, portées par l’essor de la psychologie expérimentale universitaire et l’adoption généralisée des manuels de psychométrie et d’inférence statistique.
3. Prononciation et forme grammaticale
Sur le plan phonétique, le terme s’énonce selon l’alphabet phonétique international : [plɑ̃ fak.tɔ.ʁjɛl kɔ̃.plɛ]. Il s’agit d’un syntagme nominal masculin singulier composé d’un nom noyau masculin (« plan ») et de deux adjectifs qualificatifs épithètes postposés (« factoriel » et « complet »).
Au pluriel, l’expression devient « plans factoriels complets » [plɑ̃ fak.tɔ.ʁjɛl kɔ̃.plɛ]. Dans la littérature scientifique francophone spécialisée en méthodologie de la recherche, on rencontre également des locutions synonymes ou quasi-synonymes telles que « plan d’expérience factoriel complet », « plan factoriel équilibré » (lorsque les effectifs par cellule sont rigoureusement égaux) ou simplement « plan factoriel croisé complet » par opposition aux plans factoriels fractionnaires ou emboîtés.
D’un point de vue syntaxique, l’expression régit des notations algébriques codifiées indiquant le nombre de facteurs et de modalités. Par exemple, un chercheur mentionnera un « plan factoriel complet $2 times 2$ » (prononcé « deux par deux » ou « deux fois deux ») pour désigner un protocole comprenant deux variables indépendantes à deux modalités chacune, générant un total de quatre cellules expérimentales distinctes.
4. Explication conceptuelle détaillée
Pour appréhender la portée épistémologique du plan factoriel complet, il convient d’examiner la logique des tests d’hypothèses causales. Historiquement, la doctrine scientifique classique prônait la règle d’une seule variable à la fois (souvent résumée par l’acronyme anglais OFAT, pour One Factor At a Time). Cette approche postulait que pour établir avec certitude l’effet d’une variable indépendante, il était impératif de maintenir toutes les autres constantes. Or, comme l’a brillamment démontré la modélisation statistique moderne, cette approche univariée présente une faille conceptuelle majeure : elle postule l’additivité universelle des influences environnementales et biologiques, ignorant le fait que les systèmes psychologiques et comportementaux fonctionnent selon des interdépendances dynamiques complexes.
Le plan factoriel complet dépasse cette limitation en instituant le croisement systématique de tous les facteurs. Dans une configuration à deux facteurs, désignés par les variables $A$ (possédant $p$ modalités) et $B$ (possédant $q$ modalités), le plan complet matérialise $p \times q$ cellules de traitement. Chaque cellule reçoit un groupe de participants distinct (dans un protocole inter-sujets) ou le même échantillon soumis à l’ensemble des conditions dans un ordre contrebalancé (dans un protocole intra-sujets). Cette géométrie expérimentale permet de décomposer la variance totale observée sur la variable dépendante en composantes orthogonales indépendantes : la variance attribuable à l’erreur aléatoire (variance résiduelle intra-groupe), la variance attribuable à l’effet principal de $A$, la variance attribuable à l’effet principal de $B$, et la variance attribuable à l’interaction $A \times B$.
La distinction entre effet principal et effet d’interaction constitue l’essence du raisonnement factoriel. L’effet principal traduit la différence globale entre les moyennes marginales d’un facteur, calculée en agrégeant l’ensemble des niveaux des autres facteurs. En revanche, l’effet d’interaction se manifeste lorsque la différence entre les modalités du facteur $A$ n’est pas constante d’un niveau du facteur $B$ à l’autre. En termes mathématiques, la réponse n’est pas une simple combinaison linéaire additive des effets individuels. Dans la représentation graphique des résultats, l’absence d’interaction se traduit par des droites rigoureusement parallèles reliant les moyennes des conditions, tandis que l’existence d’une interaction significative est visuellement signalée par la non-parallélisme, la convergence, la divergence ou le croisement direct de ces segments de pente.
La puissance du plan factoriel complet s’étend aux ordres d’interaction supérieurs lorsque trois facteurs ou plus sont intégrés ($A \times B \times C$). Dans un tel dispositif, les chercheurs peuvent tester une interaction de second ordre (interaction à trois voies), qui évalue si l’interaction à deux voies entre $A$ et $B$ est elle-même modulée par la modalité considérée du facteur $C$. Cette finesse d’investigation confère au plan complet une profondeur explicative incomparable, permettant aux psychologues d’élaborer des théories nuancées prenant en compte les conditions contextuelles, les traits dispositionnels et les déclencheurs situationnels.
5. Évolution historique
L’émergence des plans factoriels complets s’inscrit dans la révolution statistique qui a transformé la méthode scientifique au cours du premier tiers du XXe siècle. Avant les années 1920, la conduite des expériences reposait sur le paradigme hérité du physicien John Stuart Mill et du physiologiste Claude Bernard, qui considérait que l’isolement artificiel d’une variable unique constituait l’unique garant de la rigueur scientifique. Cependant, confronté à l’hétérogénéité des sols agricoles et aux fluctuations météorologiques imprévisibles, Ronald A. Fisher comprit que la nature ne se pliait pas à cette simplification mécaniste.
Dans ses publications de 1926 (« The Arrangement of Field Experiments ») puis dans son ouvrage magistral de 1935, The Design of Experiments, Fisher démontra formellement les avantages mathématiques des plans factoriels. Il prouva qu’en testant plusieurs facteurs au sein d’un même dispositif croisé, l’expérimentateur utilise chaque observation avec une efficacité optimale pour évaluer chacun des effets principaux, comme si l’expérience entière avait été dédiée à ce seul facteur, tout en obtenant gratuitement l’évaluation rigoureuse de leurs interactions. Fisher développa simultanément l’analyse de la variance (ANOVA), fournissant le soubassement inférentiel nécessaire à la partition de la somme des carrés des écarts.
L’introduction de ces méthodes dans les sciences du comportement s’est opérée principalement par l’entremise de statisticiens et psychologues novateurs des années 1940 et 1950, à l’instar d’E. F. Lindquist, de George W. Snedecor et de Quinn McNemar. Lindquist publia en 1953 un manuel de référence intitulé Design and Analysis of Experiments in Psychology and Education, qui systématisa l’usage des plans factoriels complets et mixtes au sein des laboratoires de psychologie expérimentale.
Avec l’avènement de l’informatique dans le dernier tiers du XXe siècle et la généralisation des progiciels statistiques spécialisés (tels que SPSS, SAS, BMDP, puis le langage R), la complexité des calculs manuels n’a plus constitué un obstacle. Les chercheurs ont pu déployer des plans factoriels complets intégrant trois, quatre, voire cinq facteurs, tout en explorant des modèles linéaires généraux de plus en plus sophistiqués. Aujourd’hui, bien que les modèles d’équations structurelles et les modèles mixtes linéaires aient diversifié la boîte à outils des chercheurs, le plan factoriel complet demeure le modèle étalon de la méthode expérimentale en laboratoire.
6. Fondements théoriques
Le plan factoriel complet repose sur le cadre épistémologique du modèle linéaire général (MLG). Dans ce paradigme, la valeur observée $Y_{ijk}$ pour un participant $k$ soumis au niveau $i$ du facteur $A$ et au niveau $j$ du facteur $B$ est modélisée par l’équation de décomposition linéaire suivante :
$$Y_{ijk} = \mu + \alpha_i + \beta_j + (\alpha\beta)_{ij} + \epsilon_{ijk}$$
Dans cette formulation théorique :
- $\mu$ représente la moyenne générale non pondérée de la population parente ;
- $\alpha_i$ correspond à l’effet fixe associé au niveau $i$ du facteur $A$, soumis à la contrainte d’identifiabilité $\sum \alpha_i = 0$ dans un modèle à effets fixes ;
- $\beta_j$ symbolise l’effet fixe associé au niveau $j$ du facteur $B$, avec $\sum \beta_j = 0$ ;
- $(\alpha\beta)_{ij}$ incarne le paramètre structural de l’interaction entre le niveau $i$ de $A$ et le niveau $j$ de $B$, représentant la déviation spécifique de la cellule par rapport à la simple additivité des effets principaux ;
- $\epsilon_{ijk}$ représente l’erreur aléatoire ou résiduelle, postulée indépendante, identiquement et normalement distribuée selon une loi $\mathcal{N}(0, \sigma^2)$.
Sur le plan mathématique, la force fondamentale du plan factoriel complet réside dans le principe d’orthogonalité. Lorsque le nombre de participants par cellule est égal (plan équilibré), les vecteurs d’effets dans la matrice de contraste sont rigoureusement orthogonaux les uns aux autres. Cela garantit que la somme des carrés totale peut être partitionnée de manière univoque sans aucun chevauchement de variance entre les effets principaux et l’interaction :
$$SS_{\text{Total}} = SS_A + SS_B + SS_{AB} + SS_{\text{Erreur}}$$
Cette indépendance statistique confère au chercheur une interprétabilité pure : la significativité statistique de l’effet principal de $A$ est strictement indépendante de la significativité de l’effet de $B$ ou de leur interaction $AB$. En outre, sur le plan de la théorie de la décision statistique, le plan factoriel complet maximise la puissance statistique pour une taille d’échantillon globale donnée, car l’estimation de chaque effet principal tire parti de l’ensemble des observations réparties sur toutes les modalités des autres facteurs.
7. Composantes clés, types et dimensions
L’architecture d’un plan factoriel complet s’articule autour de composantes structurelles précises et peut se décliner en plusieurs variantes typologiques selon le mode d’assignation des participants :
- Facteurs et modalités : Les facteurs représentent les variables indépendantes manipulées par le chercheur (au minimum deux). Les modalités désignent les états qualitatifs ou les valeurs quantitatives discrètes que prend chaque facteur (par exemple, 2 doses de médicament, 3 types de consignes cognitives).
- Cellules expérimentales : Unités fondamentales issues du croisement exhaustif des modalités. Dans un plan factoriel complet comportant $k$ facteurs avec respectivement $n_1, n_2, dots, n_k$ modalités, le nombre total de cellules de traitement est égal à $\prod_{i=1}^k n_i$.
- Effets principaux : Mesurent l’impact marginal d’un facteur donné sur la variable dépendante, moyenné sur l’ensemble des conditions constituées par les autres facteurs de l’expérience.
- Effets d’interaction simples (à deux facteurs) : Reflètent la dépendance de l’effet d’une variable indépendante vis-à-vis d’une seconde variable indépendante, indiquant un écart systématique au postulat de simple additivité.
- Effets d’interaction d’ordre supérieur : Évaluent si les interactions d’ordre inférieur sont elles-mêmes modulées par un troisième, quatrième ou énième facteur (par exemple, une interaction à trois voies $A \times B \times C$).
- Plan factoriel inter-sujets (mesures indépendantes) : Chaque participant ou unité expérimentale n’est affecté qu’à une seule et unique cellule du plan, éliminant les effets de transfert ou d’apprentissage séquentiel mais requérant un effectif total plus élevé.
- Plan factoriel intra-sujets (mesures répétées) : Chaque participant passe successivement dans toutes les cellules expérimentales générées par le croisement factoriel, maximisant la puissance statistique en éliminant la variance interindividuelle inter-groupes.
- Plan factoriel mixte (split-plot) : Combine au minimum un facteur inter-sujets et un facteur intra-sujets, configuration extrêmement fréquente en psychologie clinique et cognitive pour étudier l’évolution temporelle selon différentes populations cliniques.
8. Exemples et cas illustratifs
Pour illustrer concrètement la mécanique d’un plan factoriel complet dans les sciences psychologiques, considérons une recherche en psychologie cognitive examinant les performances de mémorisation de travail. L’équipe d’expérimentateurs souhaite investiguer conjointement l’impact de deux facteurs :
- Facteur A (Niveau de stress induit) : 2 modalités (« Stress aigu induit par évaluation sociale » vs « Condition contrôle sans stress »).
- Facteur B (Modalité de présentation de l’information) : 3 modalités (« Visuelle textuelle », « Auditive parlée », « Multimodale audiovisuelle »).
Il s’agit d’un plan factoriel complet $2 times 3$, engendrant $2 \times 3 = 6$ cellules expérimentales distinctes. Si les chercheurs optent pour un plan inter-sujets équilibré avec 30 participants par condition, l’étude mobilisera un total de 180 participants affectés aléatoirement aux six combinaisons suivantes :
- Stress / Présentation visuelle
- Stress / Présentation auditive
- Stress / Présentation multimodale
- Contrôle / Présentation visuelle
- Contrôle / Présentation auditive
- Contrôle / Présentation multimodale
La variable dépendante est le score de rappel libre standardisé (sur 100 points). L’analyse de la variance factorielle complète permet d’évaluer trois hypothèses nulles distinctes :
1. Effet principal du stress : Les participants en condition de stress ont-ils une performance moyenne différente de celle des participants de la condition contrôle, indépendamment de la modalité sensorielle ?
2. Effet principal de la modalité : La modalité sensorielle d’encodage influence-t-elle le score de rappel, indépendamment de l’état de stress des participants ?
3. Effet d’interaction Stress $\times$ Modalité : L’impact de l’induction de stress est-il homogène quelle que soit la modalité sensorielle, ou le stress détériore-t-il spécifiquement l’encodage auditif tout en épargnant l’encodage visuel ? Si les résultats indiquent que la modalité multimodale atténue entièrement le déficit mnésique causé par le stress par rapport à la modalité textuelle, les chercheurs mettent en évidence une interaction quantitative ou qualitative de nature ordinale ou croisée.
9. Mesure et évaluation méthodologique
La validité statistique et méthodologique d’un plan factoriel complet repose sur le respect rigoureux de plusieurs postulats sous-jacents aux modèles linéaires paramétriques. Avant d’interpréter les tests $F$ de Fisher-Snedecor, le chercheur doit procéder à une série de diagnostics statistiques essentiels.
Le premier postulat concerne la normalité des distributions d’erreurs au sein de chaque cellule expérimentale, généralement vérifiée par l’inspection des tracés quantiles-quantiles (Q-Q plots) et par des tests formels tels que le test de Shapiro-Wilk. Le second impératif est l’homogénéité des variances (homoscédasticité), évaluée à l’aide du test de Levene ou du test de Bartlett. En cas d’hétéroscédasticité modérée, les plans factoriels équilibrés (tailles d’échantillons rigoureusement égales dans toutes les cellules) démontrent une résilience statistique remarquable ; néanmoins, en présence de cellules déséquilibrées, des corrections robustes (comme les matrices de covariance hétéroscédastiques ou les transformations de variables) deviennent obligatoires.
Lorsque le plan inclut des mesures répétées, l’hypothèse de sphéricité (égalité des variances des différences entre toutes les paires de conditions) doit être systématiquement testée via le test de Mauchly. Si cette condition est violée, des corrections sur les degrés de liberté, telles que celles de Greenhouse-Geisser ou de Huynh-Feldt, doivent être appliquées pour ajuster la valeur critique du test $F$ et éviter une inflation indésirable du taux d’erreur de type I (faux positifs).
En outre, l’évaluation des résultats dans un plan factoriel complet ne saurait se limiter au simple constat d’une valeur $p < 0{,}05$. L'estimation de la taille d'effet est indispensable pour quantifier la magnitude substantielle des phénomènes observés. Les chercheurs rapportent couramment l'êta-carré partiel ($\eta_p^2$) ou, de manière encore plus rigoureuse et non biaisée, l’oméga-carré partiel ($\omega_p^2$), qui estiment la proportion de variance attribuable à chaque terme de l’équation linéaire une fois neutralisée la variance des autres facteurs.
10. Applications et portée pratique
Les plans factoriels complets occupent une position prédominante dans de multiples sous-disciplines de la recherche psychologique et des sciences comportementales appliquées :
- Psychologie clinique et psychopathologie : Ces plans permettent d’évaluer l’efficacité différentielle de protocoles thérapeutiques. Par exemple, un chercheur peut croiser le type d’intervention (thérapie cognitivo-comportementale vs pleine conscience vs liste d’attente) avec le statut pharmacologique des patients (sous antidépresseur vs sous placebo), afin de tester l’existence d’une synergie ou d’une interférence thérapeutique spécifique.
- Neurosciences cognitives : L’intégration des paradigmes factoriels dans les protocoles d’imagerie par résonance magnétique fonctionnelle (IRMf) ou d’électroencéphalographie (EEG) permet de cartographier l’activité cérébrale en fonction de la charge cognitive (faible vs élevée) et de la valence émotionnelle des stimuli (neutre vs négative vs positive), isolant ainsi les réseaux corticaux engagés dans l’interaction émotion-cognition.
- Psychologie ergonomique et facteurs humains : Dans la conception d’interfaces homme-machine critiques (comme les cockpits d’aviation ou les tableaux de bord de véhicules autonomes), un plan factoriel complet évalue le temps de réaction des opérateurs en croisant le niveau de fatigue (reposé vs privé de sommeil) avec la complexité de l’affichage visuel (simplifié vs dense).
- Psychologie du travail et des organisations : L’analyse factorielle complète permet d’examiner comment différents styles de leadership (transformationnel vs transactionnel) interagissent avec le degré d’autonomie accordé aux employés pour prédire la satisfaction professionnelle et la productivité au travail.
11. Recherche empirique et données probantes
La littérature scientifique contemporaine abonde de recherches empiriques fondatrices dont les avancées conceptuelles reposent directement sur l’utilisation de plans factoriels complets. Les études classiques sur la mémoire dépendante de l’état (state-dependent memory) en fournissent une illustration exemplaire.
Dans une étude historique devenue emblématique, Godden et Baddeley (1975) ont utilisé un plan factoriel complet $2 times 2$ pour examiner l’hypothèse de la mémoire dépendante du contexte physique chez des plongeurs sous-marins. Les deux facteurs manipulés étaient l’environnement d’apprentissage (sur terre ferme vs sous 6 mètres d’eau) et l’environnement de rappel mnésique (sur terre ferme vs sous 6 mètres d’eau). Les quatre cellules du plan permettaient d’isoler les deux conditions congruentes (terre-terre et eau-eau) des deux conditions incongruentes (terre-eau et eau-terre). L’analyse a révélé l’absence d’effets principaux significatifs mais un effet d’interaction spectaculaire et significatif : les plongeurs mémorisaient bien mieux le matériel verbal lorsque le contexte d’encodage coïncidait avec le contexte de récupération, confirmant empiriquement le principe d’encodage spécifique théorisé par Tulving.
Dans le domaine de la psychologie sociale expérimentale, les travaux fondateurs sur la menace du stéréotype initiés par Steele et Aronson (1995) ont fréquemment employé des plans factoriels complets pour tester comment la saillance du stéréotype (activé vs neutre) interagit avec le groupe d’appartenance des participants (minoritaire vs majoritaire) sur les performances à des tests cognitifs standardisés. Ces protocoles ont solidement démontré que l’effet négatif de l’activation du stéréotype ne constitue pas un déficit cognitif général mais émerge spécifiquement de l’interaction psychosociale entre la menace perçue et l’identité sociale du sujet.
12. Considérations culturelles et transculturelles
Dans la recherche transculturelle, le recours au plan factoriel complet introduit des opportunités méthodologiques exceptionnelles en même temps que des défis d’interprétation critiques. Les psychologues culturels utilisent fréquemment des plans factoriels complets mixtes ou quasi-expérimentaux dans lesquels la culture d’origine constitue un facteur inter-sujets (par exemple, participants issus de cultures individualistes occidentales vs cultures collectivistes d’Asie de l’Est), croisé avec une manipulation situationnelle expérimentale (par exemple, tâche cognitive en contexte compétitif individuel vs tâche en contexte coopératif de groupe).
L’enjeu théorique majeur consiste à démontrer si un processus psychologique est universel ou culturellement spécifique. L’absence d’interaction entre le facteur culturel et le facteur manipulé suggère que le mécanisme cognitif ou affectif opère de façon transculturellement stable (effet principal pur de la tâche). Inversement, une interaction significative indique que l’influence de la variable environnementale est modulée par les schémas cognitifs ou les normes sociales propres à chaque sphère culturelle.
Néanmoins, les chercheurs doivent veiller scrupuleusement à l’équivalence de mesure (ou invariance de mesure). Si un stimulus expérimental ou un instrument de collecte de données n’est pas perçu avec la même signification ou la même saillance émotionnelle dans les deux cultures comparées, l’effet d’interaction observé risque de refléter un biais méthodologique d’opérationnalisation plutôt qu’une authentique divergence psychologique. L’adaptation rigoureuse des stimuli, la rétro-traduction minutieuse et la vérification de l’invariance métrique et scalaire au moyen d’analyses factorielles confirmatoires constituent des prérequis indispensables à toute analyse factorielle complète transculturelle.
13. Critiques, controverses et limites
En dépit de son statut prééminent dans la méthodologie expérimentale, le plan factoriel complet fait l’objet de critiques légitimes et impose des contraintes pratiques substantielles :
La première limitation relève de l’explosion combinatoire (souvent qualifiée de fléau de la dimensionnalité expérimentale). À mesure que le chercheur ajoute des facteurs et des modalités, le nombre de cellules croît de façon exponentielle. Par exemple, un plan factoriel complet à quatre facteurs comprenant respectivement 3, 3, 2 et 4 modalités nécessite $3 \times 3 \times 2 \times 4 = 72$ cellules de traitement distinctes. Dans un protocole inter-sujets exigeant au minimum 20 participants par cellule pour maintenir une puissance statistique décente, une telle expérience requerrait 1440 participants. Cette inflation logistique rend les plans complets hautement dimensionnels inopérants pour la plupart des laboratoires académiques.
La seconde difficulté réside dans l’interprétation des interactions d’ordre supérieur. Si une interaction à deux voies ($A \times B$) s’interprète avec une grande clarté conceptuelle, une interaction à trois voies ($A \times B \times C$) requiert l’examen de multiples décompositions en effets simples de second ordre, ce qui complexifie considérablement la théorisation. Lorsqu’on atteint des interactions à quatre voies ($A \times B \times C \times D$) ou plus, l’intelligibilité psychologique s’effondre presque totalement : il devient pratiquement impossible de formuler ou de valider une hypothèse théorique a priori justifiant la modulation complexe d’un système à quatre niveaux d’interdépendance.
Une controverse méthodologique majeure concerne le traitement des plans factoriels non équilibrés (effectifs inégaux dans les cellules). Dans ces situations courantes dues à l’attrition des participants ou aux données manquantes, l’orthogonalité du plan est brisée. Les sommes des carrés ne s’additionnent plus parfaitement, et des portions de variance sont partagées entre les effets principaux et les interactions. Le choix entre les différentes approches de sommes des carrés (Type I séquentiel, Type II hiérarchique, ou Type III marginal) engendre des débats passionnés entre statisticiens : l’utilisation du Type III, bien que plébiscitée par défaut dans les logiciels comme SPSS, peut conduire à tester des hypothèses marginales non pondérées biologiquement ou sociologiquement irréalistes lorsque le déséquilibre n’est pas aléatoire.
14. Termes connexes et distinctions conceptuelles
Pour situer rigoureusement le plan factoriel complet au sein de la taxonomie des protocoles expérimentaux, il importe de le distinguer de notions proches mais méthodologiquement divergentes :
- Plan factoriel fractionnaire (fractional factorial design) : Contrairement au plan complet, le plan factoriel fractionnaire ne teste délibérément qu’un sous-ensemble soigneusement sélectionné des combinaisons factorielles (par exemple, la moitié ou le quart des cellules). Ce procédé réduit considérablement le coût expérimental mais entraîne un phénomène de confusion ou d’aliasing, où les effets d’interaction d’ordre supérieur sont statistiquement confondus avec les effets principaux.
- Plan à un seul facteur (single-factor design) : Protocole élémentaire évaluant l’impact d’une seule variable indépendante sur la variable dépendante. Il est incapable de tester l’existence d’interactions contextuelles.
- Plan emboîté ou hiérarchique (nested design) : Dans un plan emboîté, les niveaux d’un facteur n’apparaissent qu’au sein d’un seul niveau d’un autre facteur (par exemple, des élèves emboîtés dans des classes, elles-mêmes emboîtées dans des établissements scolaires). Les facteurs ne sont pas croisés de manière exhaustive, ce qui empêche l’estimation d’interactions factorielles orthogonales classiques.
- Plan de quasi-expérience : Protocole qui utilise des facteurs d’assignation non aléatoire (comme l’âge, le genre ou un diagnostic psychiatrique). Même s’il peut adopter une structure formelle de croisement factoriel complet, il ne permet pas d’inférer une causalité pure sur les facteurs quasi-expérimentaux en raison des variables de confusion non contrôlées.
- Analyse factorielle exploratoire ou confirmatoire (AFE / AFC) : Bien que partageant la même racine lexicale, l’analyse factorielle en psychométrie est une technique corrélationnelle de réduction de dimensionnalité visant à identifier des variables latentes non observables à partir d’un ensemble d’items, et non un protocole expérimental de manipulation de variables indépendantes.
15. Synthèse et points clés à retenir
Le plan factoriel complet constitue la pierre angulaire de l’inférence causale moderne dans la recherche expérimentale en psychologie. En assurant le croisement exhaustif de chaque niveau de chaque facteur avec l’ensemble des modalités des autres variables indépendantes, il offre un cadre de modélisation supérieur à toute approche univariée isolée.
Sa valeur épistémologique essentielle réside dans sa capacité unique à décomposer avec précision la variance observée, permettant d’identifier simultanément les effets principaux et les effets d’interaction. Les interactions révèlent la nature conditionnelle des lois comportementales et cognitives, démontrant que l’influence d’un facteur dépend intimement des paramètres contextuels, environnementaux ou individuels.
Sur le plan analytique, lorsqu’il est équilibré, le plan complet garantit l’orthogonalité des effets sous le modèle linéaire de l’analyse de la variance (ANOVA), maximisant la puissance statistique et la pureté des inférences. Toutefois, son déploiement doit être mesuré : la prolifération excessive de facteurs entraîne une explosion exponentielle des effectifs requis et une obscurité interprétative quant aux interactions d’ordre supérieur. Mis en œuvre avec discernement théorique, il demeure le dispositif le plus élégant et rigoureux pour appréhender la complexité dynamique du comportement humain.
Références
- Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd. https://archive.org/details/in.ernet.dli.2015.500912
- Godden, D. R., & Baddeley, A. D. (1975). Context-dependent memory in two natural environments: On land and underwater. British Journal of Psychology, 66(3), 325–331. https://doi.org/10.1111/j.2044-8295.1975.tb01468.x
- Keppel, G., & Wickens, T. D. (2004). Design and Analysis: A Researcher’s Handbook (4e éd.). Pearson Prentice Hall.
- Lindquist, E. F. (1953). Design and Analysis of Experiments in Psychology and Education. Houghton Mifflin.
- Steele, C. M., & Aronson, J. (1995). Stereotype threat and the intellectual test performance of African Americans. Journal of Personality and Social Psychology, 69(5), 797–811. https://doi.org/10.1037/0022-3514.69.5.797